Nicht nur China: OpenAIs Jalapeño und die globale Custom-Chip-Welle
Custom AI Silicon ist ein globales Phänomen. TrendForce (2026): Hyperscaler-Custom-Chip-Shipments wachsen mit 44,6 %, General-Purpose-GPUs mit 16,1 % — erstmals gewinnt Custom Silicon beim Wachstum.
| Unternehmen | Chip-Projekt | Stadium | Workload | Kernsignal |
|---|---|---|---|---|
| DeepSeek | Unbenannter Inference-ASIC | Frühe F&E | Inference | 7,4 Mrd. $ Funding; stille Einstellungen; unbestätigt |
| Alibaba (T-Head) | Zhenwu 810E / M890 | Serienproduktion | Train + Infer | 560K+ ausgeliefert; ~1,4 Mrd. $ Jahresumsatz |
| Huawei | Ascend 950 Serie | Serienproduktion | Train + Infer | DeepSeek V4 adaptiert; Aufträge steigen |
| OpenAI | Jalapeño (Broadcom) | Tape-out fertig | Inference | 9-Monats-Zyklus; Deploy Ende 2026 |
| TPU v6/v7 | At Scale | Train + Infer | Gemini end-to-end auf TPU | |
| Amazon | Trainium3 / Inferentia | Kommerziell | Beides | Anthropic nutzt Trainium at Scale |
| Microsoft | Maia 100 | Rollout | Inference | Azure / OpenAI-Workloads |
| Meta | MTIA | Intern | Inference | Recommendations; einmal verworfen, neu gebaut |
| Anthropic | Samsung Custom-Chip-Gespräche | Exploration | offen | The Information, Juli 2026 |
| Zhipu AI | Custom-Chip-Prüfung | Früh | Inference | The Information, Juli 2026 |
Schlüsseldaten: 24. Jun. OpenAI Jalapeño; 2. Jul. Anthropic–Samsung 2nm; 7. Jul. Reuters DeepSeek; 7. Jul. The Information Zhipu. Siehe auch unseren Jalapeño-Deep-Dive.
Was Reuters wirklich berichtete (und was DeepSeek nicht bestätigt hat)
Kernaussage: Sie können schreiben: „Reuters und andere berichten, DeepSeek habe ein Custom-Inference-Chip-Programm gestartet.“ Sie dürfen nicht schreiben: „CEO Liang Wenfeng kündigte Chip-Entwicklung offiziell an.“ Taggen: Quellen / frühes Stadium / unbestätigt.
30-Sekunden-Summary: Wahrscheinlich real, aber früh. Keine CEO-Ankündigung. T-Head ist bereits in Serienproduktion. Ökonomie treibt; Geopolitik beschleunigt.
Nur Inference-ASIC: Optimiert für Serving, nicht für Trainings-Cluster.
Start ~Mitte 2025: Als „vor etwa einem Jahr“ beschrieben; noch frühes Stadium.
Lieferkettengespräche: Mit Chip-Designern, Foundries und Speicheranbietern.
Stille Einstellungen: Chip-Ingenieure privat rekrutiert, nicht auf öffentlichen Jobbörsen.
Doppelabhängigkeit reduzieren: Weniger Abhängigkeit von NVIDIA und Huawei Ascend — DeepSeek läuft bereits auf Ascend.
| Glaubwürdigkeitsfaktor | Bewertung |
|---|---|
| Quellen-Tier | Hoch. Reuters-Standard „drei mit der Sache vertraute Personen“ |
| Offizielle Bestätigung | Bis Redaktionsschluss keine |
| Indizien | Stark. ~7,4 Mrd. $ (~51 Mrd. RMB) Juni 2026 für Chips und domestic compute; IDC-Hiring; UE8M0 FP8 als HW-SW-Co-Design-Signal |
| Widersprüchliche Sichten | Partnerschaft und Inhouse-F&E parallel — Ascend live, Custom Silicon früh |
Was DeepSeek-CEO Liang Wenfeng zu Chips und Compute gesagt hat
Liang Wenfeng gab wenige öffentliche Interviews. Wertvollste Quelle: zwei Tiefe-Gespräche mit Waves (暗涌) im Mai 2023 und Juli 2024. Er kündigte kein Chip-Programm an, skizzierte aber das strategische Motiv.
„Unsere echte Herausforderung war nie Kapital — es sind Exportkontrollen für Spitzenchips.“ — Liang Wenfeng, Waves-Interview, Juli 2024
4× Compute-Overhead: Domestic Training ~1× langsamer, Dateneffizienz ~1× — ~4× Gesamt-Compute für Parität.
Fehlende Tech-Community: Domestic Chips ohne First-Hand-Developer-Community; jemand muss an der Frontier stehen.
Endloser Compute-Hunger: Forscher wollen immer mehr Kapazität; DeepSeek deployt maximal verfügbaren Compute.
Gründerzitate ≠ Produktlaunch: Reuters beschreibt Unternehmensaktionen (Hiring, Vendor-Talks), keine CEO-Ankündigung.
Co-Design-Signale: UE8M0 FP8 und MLA-Architektur-Optimierungen deuten auf hardware-spezifisches Tuning.
Alibabas T-Head liefert bereits — Jack Mas Wette von 2018 zahlt sich 2026 aus
Nicht schreiben: „Jack Ma sagte kürzlich, Alibaba solle Chips bauen.“ Korrekter Bogen: Jack Ma setzte 2018 die T-Head-Strategie, Joe Tsai erklärte 2024 Exportdruck, CEO Wu Yongming nannte 2026 Serienproduktionszahlen.
| Person | Rolle | Öffentliche Chip-Haltung |
|---|---|---|
| Jack Ma | Strategischer Sponsor 2018 | T-Head benannt, Chips zur Gruppenstrategie erhoben |
| Joe Tsai | Vorsitzender | Podcast 2024: US-Exportlimits treffen Alibaba Cloud; langfristiges Vertrauen in domestic Semiconductors |
| Wu Yongming | CEO | Earnings Call 2026: 470K+ T-Head AI Chips geliefert; Milliarden-RMB-Jahresumsatz; IPO möglich |
| Modell | Timeline | Highlights |
|---|---|---|
| Hanguang 800 | 2019 | Früher AI-Inference-Chip |
| Zhenwu 810E | Jan. 2026 | Train + Infer; 96 GB HBM2e; zwischen Nvidia A800 und H20; in Produktion |
| Zhenwu M890 | 2026 | 144 GB Speicher, 800 GB/s Interconnect, ~3× 810E |
| Zhenwu V900 | geplant Q3 2027 | 216 GB, 1200 GB/s Interconnect |
| Zhenwu J900 | geplant Q3 2028 | Next-Gen Parallel-Compute-Architektur |
WSJ: neue Alibaba-Chips unterstützen das Nvidia-CUDA-Ökosystem — einfachere Engineer-Migration (anders als Huaweis Pfad). Fertigung von TSMC zu domestic Foundries (Branche nennt SMIC 7nm-Klasse).
560.000+ Einheiten ausgeliefert (H1 2026).
~1,4 Mrd. $ Jahresumsatz; 400+ Enterprise-Kunden auf Zhenwu-Clustern.
T-Head-Stammkapital auf ~140 Mio. $ erhöht (Jun. 2026); Alibaba ~52 Mrd. $ über drei Jahre für Cloud und AI-Infrastruktur zugesagt.
Warum Tech-Giganten Custom AI Chips bauen: Kosten, Kontrolle und die „Nvidia-Steuer“
Einzeiler: AI-Wettbewerb verschob sich von „wer hat das beste Modell“ zu „wer hat den günstigsten, kontrollierbarsten Compute“.
Ökonomie — Inference ist die Miete: Training ist Anzahlung, Inference monatliche Miete. Bei ChatGPT-DAU übersteigt Inference-Spend Training. Custom ASICs senken TCO um 30–65 % at Scale; Token-Kosten 30–40 % runter. Nvidia-Datacenter-GPU-Bruttomargen über 70 % — Inhouse-Silicon wandelt permanente „GPU-Steuer“ in einmalige F&E.
Lieferketten-Resilienz: US-Exportkontrollen, Allocations-Engpässe, Single-Vendor-Risk — nicht nur „nationale Sicherheit“, sondern planbare Versorgung.
Hardware-Software-Co-Design: General GPUs opfern Effizienz für Flexibilität; ASICs umgekehrt für bekannte Workloads. Jalapeño zielt auf echtes ChatGPT-Serving (KV-Cache, Batching, Latenz).
Verhandlungsmacht: Selbst partielle Eigenversorgung stärkt Nvidia-Verhandlungen und ermöglicht Full-Stack „Modell + Cloud + Chip“.
Energie: Inference-ASICs optimieren Performance pro Watt — kritisch bei Gigawatt-Rechenzentren.
| Dimension | Training | Inference |
|---|---|---|
| Workload | Dynamisch, experimentell, Architektur-Churn | Statisches Modell, vorhersagbare Request-Muster |
| Software-Moat | CUDA-Stack (cuDNN, NCCL, Nsight) | Hand-tuned Kernels für feste Modelle |
| Chip-Priorität | Peak FLOPS + Programmierbarkeit | Throughput, Latenz, Kosten pro Token |
| Ökonomie | Großer einmaliger Capex | 24/7 at Scale — größerer laufender Spend |
| Urteil | Training bleibt Nvidia-Territorium; Inference ist Custom-ASIC-Schlachtfeld. | |
Morgan Stanley (via Reuters Breakingviews): 24.000-GPU-Blackwell-Cluster ~852 Mio. $ Hardware; gleichwertiger Google-TPU-Cluster ~99 Mio. $.
Sechs-Schritte-Entscheidungsleitfaden:
Gerücht von Ankündigung trennen: „Berichten zufolge“ bis DeepSeek bestätigt.
Training vs. Inference planen: Frontier-Training braucht weiter Nvidia; Inference ist ASIC-Domain.
Parallele Pfade tracken: DeepSeek auf Ascend live; Custom Silicon früh.
TCO modellieren, nicht Listenpreis: Fokus auf Token-Kosten und mehrjährigen Capex-ROI.
Frühprojekt-Risiko einpreisen: Meta verworf und neu gebaut MTIA; Architektur-Shifts können ASIC-Designs obsolet machen.
Lokale Agents von Cloud-Inference entkoppeln: Chip-Ökonomie betrifft vor allem API-Preise; lokale Cursor/Codex-Agents und iOS-CI brauchen stabile macOS-Hosts 24/7.
Disclaimer: DeepSeek hat das Chip-Projekt bis Redaktionsschluss nicht offiziell bestätigt. Quellen: Reuters, WSJ, OpenAI-Blog, Waves-Interviews, Alibaba-Filings. Keine Anlageberatung.
Reality Check: API-only lokale Agents bedeuten lineare Token-Kosten und Modell-Verfügbarkeitsrisiko unter Exportkontrollen; bei Cloud-Inference mit personenbezogenen Prompts und Logs sind DSGVO-konforme Datenverarbeitung, Auftragsverarbeitung und Regionwahl relevant. Persönliche Macs für gemischtes Training und Agents stoßen an Unified-Memory-Limits und Sleep-Unterbrechungen; macOS-VMs verletzen die EULA und blockieren Xcode-Signing. Für iOS-CI/CD, lokale LLM-Inference und AI-Agent-Automation in Produktion ist KVMNODE dedizierte Mac-Mini-M4-Cloud-Miete meist die bessere Wahl: Apple-Silicon-Unified-Memory für Metal-Inference, 24/7-Uptime, flexible Tages-/Wochen-/Monatsabrechnung. Siehe Mietpreise, Bestellen, Hilfezentrum.
Zuletzt aktualisiert: 10. Juli 2026 · Quellen: Reuters, OpenAI offiziell, WSJ, Caixin Global, Waves-Interviews, Alibaba/T-Head öffentliche Angaben